抓取BOSS直聘招聘信息 Python爬虫框架Scrapy实战-程序员大咖周宾浩
点击上方“程序员大咖”，选择“置顶公众号”
关键时刻，第一时间送达！开发环境
MacBook Pro (13-inch, 2016, Two Thunderbolt 3 ports)CPU : 2 GHz Intel Core i5RAM : 8 GB 1867 MHz LPDDR3Python : Python 3.6.3 [GCC 4.2.1 (Apple Inc. build 5666) (dot 3)] on darwinMongoDB : v3.4.7MongoDB Tool ：MongoBooster v4.1.3一、准备工作
安装 Scrapy
pip3 install scrapy
如果顺利的话,会像本人这样,装了一大堆软件包
参考翻译文档的安装教程：http://scrapy-chs.readthedocs.io/zh_CN/latest/intro/install.html
官方 GitHub 地址：https://github.com/scrapy/scrapy二、新建项目
scrapy startproject www_zhipin_com
如果顺利的话,会像本人这样
三、定义要抓取的 Item
在items.py 文件中定义一个类
class WwwZhipinComItem(scrapy.Item): # define the fields for your item here like: # name = scrapy.Field() pid = scrapy.Field() positionName = scrapy.Field() positionLables = scrapy.Field() workYear = scrapy.Field() salary = scrapy.Field() city = scrapy.Field() education = scrapy.Field() companyShortName = scrapy.Field() industryField = scrapy.Field() financeStage = scrapy.Field() companySize = scrapy.Field() time = scrapy.Field() updated_at = scrapy.Field()四、分析页面
一般一条招聘像下面这样
html 结构如下
爬虫中就是使用 css 选择器获取标签里的文字或链接等五、爬虫代码
在 spiders 目录下新建 zhipin_spider.py
# -*- coding: utf-8 -*-import scrapyimport timefrom www_zhipin_com.items import WwwZhipinComItemclass ZhipinSpider(scrapy.Spider): # spider的名字定义了Scrapy如何定位(并初始化)spider，所以其必须是唯一的。 不过您可以生成多个相同的spider实例(instance)，这没有任何限制。 name是spider最重要的属性，而且是必须的 name = 'zhipin' # 可选。包含了spider允许爬取的域名(domain)列表(list)李东俊 。 当 OffsiteMiddleware 启用时， 域名不在列表中的URL不会被跟进。 allowed_domains = ['www.zhipin.com'] # URL列表。当没有制定特定的URL时，spider将从该列表中开始进行爬取。 # 这里我们进行了指定，所以不是从这个 URL 列表里爬取 start_urls = ['http://www.zhipin.com/']# 要爬取的页面怒婚 ，可以改为自己需要搜的条件姚玙璠，这里搜的是 上海-PHP，其他条件都是不限 positionUrl = 'http://www.zhipin.com/c101020100/h_101020100/?query=php' curPage = 1 # 发送 header，伪装为浏览器 headers = { 'x-devtools-emulate-network-conditions-client-id': "5f2fc4da-c727-43c0-aad4-37fce8e3ff39", 'upgrade-insecure-requests': "1", 'user-agent': "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_6) AppleWebKit/537.36 (KHTML孟买日记, like Gecko) Chrome/60.0.3112.90 Safari/537.36"血溅姐妹花 , 'accept': "text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8", 'dnt': "1", 'accept-encoding': "gzip, deflate", 'accept-language': "zh-CN,zh;q=0.8,en;q=0.6", 'cookie': "__c=1501326829; lastCity=101020100; __g=-; __l=r=https%3A%2F%2Fwww.google.com.hk%2F&l=%2F; __a=38940428.1501326829..1501326829.20.1.20.20; Hm_lvt_194df3105ad7148dcf2b98a91b5e727a=1501326839; Hm_lpvt_194df3105ad7148dcf2b98a91b5e727a=1502948718; __c=1501326829; lastCity=101020100; __g=-; Hm_lvt_194df3105ad7148dcf2b98a91b5e727a=1501326839; Hm_lpvt_194df3105ad7148dcf2b98a91b5e727a=1502954829; __l=r=https%3A%2F%2Fwww.google.com.hk%2F&l=%2F; __a=38940428.1501326829..1501326829.21.1.21.21",吴旻霈 'cache-control': "no-cache", 'postman-token': "76554687-c4df-0c17-7cc0-5bf3845c9831" } //该方法必须返回一个可迭代对象(iterable)。该对象包含了spider用于爬取的第一个Request。 //该方法仅仅会被Scrapy调用一次，因此您可以将其实现为生成器王力宏肛裂 。 def start_requests(self): return [self.next_request()] //负责处理response并返回处理的数据以及(/或)跟进的URL。 def parse(self, response): print("request -> " + response.url) job_list = response.css('div.job-list > ul > li') for job in job_list:item = WwwZhipinComItem()job_primary = job.css('div.job-primary')item['pid'] = job.css( 'div.info-primary > h3 > a::attr(data-jobid)').extract_first().strip()item["positionName"] = job_primary.css( 'div.info-primary > h3 > a::text').extract_first().strip()item["salary"] = job_primary.css( 'div.info-primary > h3 > a > span::text').extract_first().strip()info_primary = job_primary.css( 'div.info-primary > p::text').extract()item['city'] = info_primary[0].strip()item['workYear'] = info_primary[1].strip()item['education'] = info_primary[2].strip()item['companyShortName'] = job_primary.css( 'div.info-company > div.company-text > h3 > a::text').extract_first().strip()company_infos = job_primary.css( 'div.info-company > div.company-text > p::text').extract()if len(company_infos) == 3: # 有一条招聘这里只有两项，所以加个判断 item['industryField'] = company_infos[0].strip() item['financeStage'] = company_infos[1].strip() item['companySize'] = company_infos[2].strip()item['positionLables'] = job.css( 'li > div.job-tags > span::text').extract()item['time'] = job.css('span.time::text').extract_first().strip()item['updated_at'] = time.strftime("%Y-%m-%d %H:%M:%S", time.localtime())yield item self.curPage += 1 time.sleep(5) # 停停停！听听听！都给我停下来听着！睡一会(～﹃～)~zZ yield self.next_request() # 发送请求 def next_request(self): return scrapy.http.FormRequest(self.positionUrl + ("&page=%d&ka=page-%d" % (self.curPage, self.curPage)),headers=self.headers,callback=self.parse)
运行脚本
scrapy crawl zhipin -o item.json
这里会在项目目录下生成 item.json 的一个 json 文件
运行情况如下
http://cdn.jtup.cc/blog/video/scrapy_zhipin_demo.mp4Point 1 设置 UTF-8 编码
但是不巧，往往这是一个 Unicode 编码的文件，所以需要加个设置
在 settings.py中添加(PS:也可以在运行的时候带上这个参数)
FEED_EXPORT_ENCODING = 'utf-8'
亲测以下方法是不能解决问题的
Point 2 慢一点
注意不要爬的太快，因为 BOSS 直聘只会显示20页的招聘信息比蒙修仙，所以理论上这个脚本只要执行20次即可，那么间隔时间尽量设置长一点，本人爬的时候设置的是5秒，但是后面稍微快了一点就六字真言了，还好我已经把数据爬到了
慢一点，才能快一点绝代侠医！
Point 3 修改为自定义的条件
可以修改 zhipin_spider.py 第18行 positionUrl 的链接，把 PHP 修改为 Java 或 Python，把城市编码（’c101020100’ == 上海）换成你需要查询的城市，即可爬取自定的岗位，这就很灵性了！六、保存到数据库
一条json数据如下
{ "pid": "16115932", "positionName": "PHP后台开发工程师", "salary": "13K-20K", "city": "上海", "workYear": "1-3年", "education": "本科", "companyShortName": "蜻蜓FM", "industryField": "互联网"校园文化设计 , "financeStage": "D轮及以上", "companySize": "100-499人"康妮·塔波特 , "positionLables": ["PHP" ], "time": "发布于昨天"现代修真录 , "updated_at": "2017-12-10 17:36:21" },
使用软件将json文件导入到 MongoDB 中神皇弃少,以备后面的使用七、不足
这里招聘的详细要求还没有爬取刚抓到的数据还没初步处理本项目开源地址：http://git.jtahstu.com/jtahstu/Scrapy_zhipin八、后记
有人可能会问，爬这些数据有什么用呢，现在又不跳槽。
本人的回答是，那当然肯定必须有用啊，所谓防患于未然、知己知彼，百战不殆，只有及时了解市面上的需求奴儿花花，才能有针对性的提升自己、学习技术，从另一方面来看，那有关钱途的事都是大事啊。
作者：jtahstu
http://www.jtahstu.com/blog/scrapy_zhipin_spider.html
程序员大咖整理发布，转载请联系作者获得授权
【点击成为源码大神】